Behörighetskrav

120 hp inklusive 15 hp matematik och 60 hp datavetenskap/systemvetenskap, varav minst 20 hp programmering/algoritmer/datastrukturer. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

Mål

Efter godkänd kurs ska studenten kunna:

• ställa upp och lösa typiska maskininlärningsproblem, genom egen implementation eller med hjälp av befintliga simuleringsverktyg,
• avgöra olika inlärningsmetoders tillämplighet för olika typer av inlärningsproblem, dvs. känna till metodernas styrkor och svagheter,
• bestämma en bra representation av data, för att underlätta maskininlärning,
• känna igen typiska effekter av dåliga val (problemuppställning och parameterval, till exempel) och utifrån detta avgöra hur resultaten kan förbättras,
• beskriva hur, och varför, maskininlärning och naturinspirerade beräkningsmetoder fungerar, förklara principer och visa exempel.
• planera ett öppet projekt så att det kan genomföras inom givna ramar.

Innehåll

Kursen introducerar olika maskininlärningsmetoder, med tonvikt på naturinspirerade beräkningsmetoder. Kursen är uppdelad i en teoretisk del och en praktisk del.

Den teoretiska delen består av föreläsningar och litteratur om olika ämnen, inklusive (men inte begränsat till); inlärningsparadigm (övervakad, oövervakad och kritikerledd inlärning), artificiella neuronnät för klassificering, funktionsanpassning och klustring, kritikerledd inlärning och tidsdifferensmetoder, evolutionära metoder (genetiska algoritmer och genetisk programmering) och svärmmetoder (myrkolonioptimering, partikelsvärmmetoder)

Den praktiska delen består av labbuppgifter och en självvald projektuppgift. Innehållet i projektuppgiften definieras av studenterna själva, men måste godkännas av kursläraren innan arbetet påbörjas.

Undervisning

Föreläsningar, labbuppgifter och en självvald projektuppgift.

Examination

Muntlig eller skriftlig tentamen (4 hp), skriftliga rapporter (laborationer och projekt) samt en muntlig redovisning i seminarieform av projektuppgiften (6 hp).

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.

Övriga föreskrifter

Kursen kan inte räknas i examen tillsammans med 1DT022 Maskininlärning eller 1DT646 Artificiella neuronnät.